Fugu-MT 論文翻訳(概要): Evolutionary Level Repair

論文の概要: Evolutionary Level Repair

arxiv url: http://arxiv.org/abs/2506.19359v1
Date: Tue, 24 Jun 2025 06:41:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-25 19:48:23.519671
Title: Evolutionary Level Repair
Title（参考訳）: 進化レベル修復
Authors: Debosmita Bhaumik, Julian Togelius, Georgios N. Yannakakis, Ahmed Khalifa,
Abstract要約: ゲームレベル修復の課題は,設計されているが非機能的なゲームレベルを機能化することで解決される。機械学習に基づく手続き型コンテンツ生成(PCGML)手法を用いて,スタイリスティックに適切だが頻繁に故障するレベルを生成する。
参考スコア（独自算出の注目度）: 3.877713544082347
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We address the problem of game level repair, which consists of taking a designed but non-functional game level and making it functional. This might consist of ensuring the completeness of the level, reachability of objects, or other performance characteristics. The repair problem may also be constrained in that it can only make a small number of changes to the level. We investigate search-based solutions to the level repair problem, particularly using evolutionary and quality-diversity algorithms, with good results. This level repair method is applied to levels generated using a machine learning-based procedural content generation (PCGML) method that generates stylistically appropriate but frequently broken levels. This combination of PCGML for generation and search-based methods for repair shows great promise as a hybrid procedural content generation (PCG) method.
Abstract（参考訳）: ゲームレベル修復の課題は,設計されているが非機能的なゲームレベルを機能化することで解決される。これは、レベル、オブジェクトの到達可能性、その他のパフォーマンス特性の完全性を保証することで構成されるかもしれません。修復問題は、少数のレベルの変更しかできないという点でも制約される可能性がある。本研究では, レベル修復問題に対する探索に基づく解法について検討し, 特に進化的, 品質的多様性のアルゴリズムを用いて, 良好な結果を得た。このレベル修復法は、スタイリスティックに適切だが頻繁に故障するレベルを生成する機械学習ベースの手続き的コンテンツ生成(PCGML)法を用いて生成されたレベルに適用する。生成のためのPCGMLと検索ベースの修復手法の組み合わせは、ハイブリッド手続き型コンテンツ生成(PCG)手法として大いに有望である。

関連論文リスト

LLMs as Continuous Learners: Improving the Reproduction of Defective Code in Software Issues [62.12404317786005]
EvoCoderは、イシューコード再現のための継続的学習フレームワークである。その結果,既存のSOTA法よりも20%改善した。
論文参考訳（メタデータ） (2024-11-21T08:49:23Z)
Guided Game Level Repair via Explainable AI [3.2228025627337864]
機械学習モデルによって生成された手続き的に生成されたレベルは、さらなる編集なしでは解決できない。本稿では,その解決不可能性に寄与するレベルの特定領域を特定するための説明可能性手法を提案する。 3つのゲームでテストした結果、このアプローチは手続き的に生成されたレベルを高速に修復するのに役立つことが実証された。
論文参考訳（メタデータ） (2024-10-30T15:12:36Z)
Principled Penalty-based Methods for Bilevel Reinforcement Learning and RLHF [82.73541793388]
本稿では, ペナルティ定式化のレンズによる二レベルRL問題の解法として, 第一原理のアルゴリズムフレームワークを提案する。本稿では,問題景観とそのペナルティに基づく勾配(政治)アルゴリズムについて理論的研究を行う。シミュレーションによるアルゴリズムの有効性を,Stackelberg Markovゲーム,人間からのフィードバックとインセンティブ設計によるRLで実証する。
論文参考訳（メタデータ） (2024-02-10T04:54:15Z)
A Generalized Alternating Method for Bilevel Learning under the Polyak-{\L}ojasiewicz Condition [63.66516306205932]
バイレベル最適化は、その新興機械学習分野への応用により、最近、関心を取り戻している。最近の結果は、単純な反復に基づくイテレーションは、低レベルな目標の凸に起因する利害と一致することを示しています。
論文参考訳（メタデータ） (2023-06-04T17:54:11Z)
Combining Evolutionary Search with Behaviour Cloning for Procedurally Generated Content [2.7412662946127755]
ゲームレベルの手続き的コンテンツ生成の問題について考察する。従来のアプローチは、多様なレベルを生成することができる進化探索(ES)手法に依存していた。本稿では,ESとRLの長所を組み合わせた手続き的コンテンツ生成問題に対処する枠組みを提案する。
論文参考訳（メタデータ） (2022-07-29T16:25:52Z)
Level Generation for Angry Birds with Sequential VAE and Latent Variable Evolution [25.262831218008202]
我々は,Angry Birdsのゲームドメインに対して,深部生成モデルに基づくレベル生成を開発する。実験により,提案したレベルジェネレータは生成レベルの安定性と多様性を大幅に改善することが示された。
論文参考訳（メタデータ） (2021-04-13T11:23:39Z)
A Novel CNet-assisted Evolutionary Level Repairer and Its Applications to Super Mario Bros [11.366146167882007]
そこで我々は,CNetという新しい手法を提案し,その周囲のタイルを実物レベルで与える確率を学習し,生成した新しいレベルの違法なタイルを検出する。我々のCNet支援進化修復機は、他のゲームにも容易に適用でき、そのレベルはオブジェクトやタイルのマトリックスで表現できる。
論文参考訳（メタデータ） (2020-05-13T04:27:18Z)
Incremental Object Detection via Meta-Learning [77.55310507917012]
本稿では,段階的タスク間の情報を最適に共有するように,モデル勾配を再形成するメタラーニング手法を提案する。既存のメタ学習法と比較して,本手法はタスク非依存であり,オブジェクト検出のための高容量モデルに新たなクラスやスケールを段階的に追加することができる。
論文参考訳（メタデータ） (2020-03-17T13:40:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。